お役立ち記事
安全教育動画を現場事故データから自動生成するリスク学習AI

調達購買ノウハウ

投稿日：2026年6月11日

安全教育動画を現場事故データから自動生成するリスク学習AI

【結論先出し】 令和6年の製造業の労働災害死傷者数は依然として全業種で上位を占め、死傷者数は4年連続増加が続いている。「とりあえずビデオを見せた」式の汎用教育では現場のリスクを下げられないことは、調達の現場でも実感値として明らかだ。自社の事故・ヒヤリハットデータをAIで解析し、現場固有の安全教育動画を自動生成する「リスク学習AI」こそ、形骸化した安全教育を根本から刷新する実践的な手段である。

製造業の労働災害はなぜ減らないのか――数字で見る現実

厚生労働省が令和7年5月に公表した速報値によれば、令和6年の休業4日以上の死傷者数は135,718人と4年連続の増加となった。製造業の死亡者数は142人で前年比2.9％増と、減少傾向にある他業種とは対照的な動きを見せている。^[1]

令和5年の製造業に絞ったデータを見ると、死傷者数は27,194人（全体の20.0%）で業種別トップとなっており、事故の型では「はさまれ・巻き込まれ」が6,377件で最多を占めた。^[1] これを調達購買の文脈で置き換えると、年間2万7千人超の被災者が出ている業種からの部品調達には、常に供給停止リスクが潜んでいるということになる。

調達現場で押さえるポイント

累計200社以上のサプライヤー工場を実地訪問した経験から言えることがある。事故が多発している工場は、多くの場合「安全教育をしていないわけではない」のだ。むしろ年に数回のビデオ上映、入社時マニュアル配布など、形式的な教育はある。問題はその内容が「どこかよそで作られた汎用素材」で、自社の設備・作業フロー・過去の事故事例とまったく無関係な点にある。

なぜ繰り返し災害が起きるのか。労働安全衛生総合研究所（JNIOSH）は、厚生労働省の労働災害（死傷）データベースへのデータマイニング手法の適用研究を通じ、「業種、事業所規模、年齢層、経験期間、事故の型、起因物、負傷部位、休業日数の8属性」を組み合わせたアソシエーション分析で有意なパターン抽出ができることを示した。たとえば「動力機械を起因物とする災害の73%で傷病部位が上肢」というルールは、防護手袋・インターロック強化という具体的なリスク低減策に直結する。^[2] この研究が示すのは、事故データを単純集計するのではなく、AIによるパターン分析を施すことで「見えていなかった因果関係」が浮かび上がるという事実だ。

リスク学習AIとは何か――仕組みを3層で整理する

「現場事故データから安全教育動画を自動生成するAI」と聞くと、技術的に遠い話に感じるかもしれない。しかし構造を分解すると、製造業DXの文脈でいえば決して難解ではない。以下の3層で考えると整理しやすい。

第1層：事故データの収集・機械判読化

土台となるのは事故・ヒヤリハットデータの収集基盤だ。厚生労働省の「職場のあんぜんサイト」では、業種・事故の型・起因物・被災者属性などの軸で絞り込める労働災害（死傷）データベースを無償公開しており、業界全体のベンチマークとして活用できる。^[3] さらに労働安全衛生総合研究所は、死亡災害44,537件・死傷災害376,397件ものCSVデータをUTF-8形式で公開しており、機械学習モデルの学習データセットとして直接活用できる水準にある。^[4]

社内データについては、事故報告書・ヒヤリハット記録・作業日報をデジタル化してテキストデータとして蓄積することが第一歩となる。この段階での入力精度がAIの出力品質を決めるため、「報告すると評価が下がる」という文化的障壁を崩すことが最重要課題だ。

第2層：NLP・データマイニングによるリスクパターン抽出

蓄積されたテキストデータに対し、自然言語処理（NLP）やアソシエーション分析を適用してリスクパターンを抽出する。労働安全衛生総合研究所では令和4年の死傷データをMicrosoft Power BIで可視化し、ワードクラウドや業種別グラフを生成することで「勉強会でも使える」レベルの教育コンテンツ素材を作れることを示している。^[5] このアプローチをさらに自動化・高度化したのがリスク学習AIの中核エンジンとなる。

第3層：生成AIによる教育動画の自動生成

抽出されたリスクパターンをシナリオに変換し、テキスト・ナレーション・図解・アニメーションを組み合わせた教育動画を生成するのが第3層だ。ここで参照すべき品質基準として、国立研究開発法人産業技術総合研究所（産総研）が2025年5月に公表した「生成AI品質マネジメントガイドライン第1版」がある。同ガイドラインは、LLMを部品として利用する生成AIシステムの開発・運用において品質を確保するための体系的な手法を提示しており、^[6] 安全教育という高責任用途にAIを適用する際の品質保証の指針として不可欠な文書だ。

従来型安全教育 vs. リスク学習AI：10項目対比表

評価軸	従来型安全教育（座学・汎用ビデオ）	リスク学習AI（自動生成動画）
コンテンツの自社適合度	低（汎用事例が中心）	高（自社の事故・ヒヤリハットから生成）
コンテンツ更新頻度	年1〜2回（担当者が作成）	リアルタイム〜週次（データ連動）
作成コスト・工数	高（外注または担当者作業で数十万円〜）	低（初期構築後はデータ入力のみ）
受講者の定着率	低（「また同じ内容か」で集中力低下）	高（自分の現場の事例で当事者意識が上がる）
習熟度の測定	困難（ペーパーテスト・目視確認が中心）	自動化（インタラクティブクイズ・ログ管理）
多言語対応	翻訳コストが高く後回しになりがち	LLM活用で多言語生成が低コストで実現
ベテランノウハウの継承	属人化・口伝えが前提でデータ化されない	体験談・ヒヤリハットをAIへインプットして映像化
サプライヤー監査への証拠力	弱（実施記録が紙ベースで散在）	強（視聴ログ・習熟度スコアをデジタル出力）
リスクパターンの可視化	担当者の経験と勘に依存	アソシエーション分析・NLPで客観的に抽出
第14次労災防止計画DX指標との整合	対応困難（アナログ管理のまま）	直結（安全衛生DXの推進指針に沿った実装）

公的データが示す「AI活用安全教育」の政策的根拠

リスク学習AIは、自社の思いつきではなく、国の政策方針そのものに沿った取り組みだ。第14次労働災害防止計画（2023年度〜2027年度）は重点事項の一つとして「安全衛生対策におけるDXの推進」を明記している。^[7] 具体的には「新たなデジタル技術の安全衛生分野への活用」「作業の無人化や遠隔化による災害要因と人との接触の排除」を通じた災害リスクの除去・低減が、積極的に推進すべき取り組みとして位置づけられている。

また同計画は製造業に対し「機械によるはさまれ・巻き込まれの死傷者数を令和4年比で5%以上減少」「はさまれ・巻き込まれ防止対策に取り組む製造業の事業場の割合を2027年までに60%以上」という定量的な目標を掲げている。^[7] この目標達成のために「何をするか」の手段として、データドリブンな安全教育は避けて通れない選択肢だ。

さらに厚生労働省は「未熟練労働者に対する安全衛生教育マニュアル」を製造業・陸上貨物運送事業・商業向けに整備し、経験年数の少ない未熟練労働者は「作業に慣れておらず、危険に対する感受性も低いため、労働者全体に比べ労働災害発生率が高い」と明示している。^[8] 人材の流動化・外国人労働者の増加が著しい現在の製造現場において、入社間もない作業者へのリアルタイム・現場特化型の安全教育は急務だ。

調達現場で押さえるポイント

製造業の調達購買に10年以上関わってきた経験から言えば、未熟練作業者の事故率が高い工場では、決まって「OJTの内容が担当者によってバラバラ」という問題がある。熟練者Aが教えた内容と熟練者Bが教えた内容が異なり、新人は「どちらが正しいかわからない」状態で作業している。リスク学習AIは、このバラつきをデータで補正し、「工場として何が最も危険か」を統一メッセージとして提示できる点に本質的な価値がある。

事故データをAIが読む――アソシエーション分析の実務的含意

JNIOSHの研究では、平成18年の労災DB（33,942件）に対してアソシエーション分析を適用した結果、「動力機械を起因物とする災害の73%で傷病部位が上肢」「転倒による事故の62.3%で起因物は仮設物・建築物・構造物等」といった実践的なルールが抽出されている。^[2] この分析から得られる示唆は「統計の眺め方を変えると、教育すべき優先テーマが自動で見えてくる」という点だ。

重要なのは、この手法が全国データだけでなく自社の事故台帳データにも適用できる点だ。自社固有のデータに同様のアソシエーション分析を走らせれば、「自社の設備Xを操作する作業者の何%が経験1年未満で被災しているか」「特定の時間帯・気温条件でヒヤリハット報告が急増するか」といった固有パターンが抽出できる。これが教育動画のシナリオ骨子に直接なる。

また同研究所は、令和4年のオープンデータをPower BIで可視化する試みを公開しており、「勉強会などでも使えるデータ可視化ツール」として整備している。^[5] リスク学習AIはこうした可視化技術をさらに一歩進め、「可視化した結果からコンテンツを自動生成する」ところまでパイプラインを繋ぐ技術的実装だと理解するとわかりやすい。

経産省スマート保安が示すAI活用の実績

経済産業省が令和4年4月に公表した「スマート保安先進事例集」には、IoT・ビッグデータ・AIを活用して産業現場の保安レベルを継続的に向上させる取り組みが複数収録されている。^[9] この文書が特に強調するのは、AIやセンサー技術の導入が「保安面と収益面の双方向上」に貢献できるという点だ。安全投資を「コスト」ではなく「競争力の源泉」として捉え直す視点は、製造業のバイヤーがサプライヤーを評価する軸としても重要になりつつある。

同事例集の背景にある「スマート保安」の考え方は、熟練技術者のノウハウをデジタル化・可視化し、システムに蓄積することで技術継承を実現する思想と一致する。製造業の調達現場で見ると、この思想を安全教育に適用したのがリスク学習AIだといえる。

バイヤー・サプライヤー双方の実務的メリット

バイヤーが得るサプライヤー評価の新軸

製造業DXが進む中、調達部門がサプライヤーを評価する指標は、価格・品質・納期の三要素を超えて拡張されつつある。特に近年のサプライチェーンリスク管理の観点から、サプライヤーの「安全管理力の見える化」が重要な評価軸になっている。金属加工・樹脂成形・化学・電気電子・組立完成品の5ジャンルを横断して見ると、サプライヤー監査でよく指摘されるのが「安全教育の実施記録がない、または紙管理で散在している」という問題だ。

リスク学習AIを導入したサプライヤーは、視聴履歴・習熟度スコア・改善前後の事故発生率比較をデジタルレポートとして提出できる。これはバイヤー側の監査担当者にとって、「安全教育をやっている」という定性的な申告より、はるかに証拠能力が高い。

サプライヤーが得る差別化と事故コスト低減

中小規模のサプライヤーにとって、「事故発生率の低さ」は取引先への直接的なアピール材料になる。事故一件あたりの直接損失（医療費・休業補償・設備修理・ライン停止ロス）に加え、法的責任・評判リスクまで含めると、事故の真のコストは表面上の数字を大きく上回る。AI教育投資による事故率低減は、ROI計算で十分に正当化できる。

また、第14次労働災害防止計画で外国人労働者に分かりやすい方法での災害防止教育を行う事業場の割合を2027年までに50%以上とする目標が掲げられており、^[7] 多言語対応が得意な生成AIとの組み合わせは現場の喫緊のニーズと直結する。

生成AI品質管理を安全教育に適用する際の注意点

リスク学習AIを実装・運用する際、品質保証の観点を無視することはできない。産総研の「生成AI品質マネジメントガイドライン第1版（Rev.1.0.0）」は、LLMを部品として利用する生成AIシステムの開発・運用者が行うべき事項を体系的に示したガイドラインとして、^[6] 安全教育という高信頼性が求められる用途に特に参照すべき文書だ。

特に安全教育動画の自動生成で留意すべきは以下の3点だ。

ハルシネーション（事実誤認）への対処：AIが「存在しない事故事例」を生成するリスクがある。自社の一次データと照合するRAG（検索拡張生成）構成での実装が推奨される
入力データの品質管理：事故報告書の記述品質がばらつくと、AIの出力精度も低下する。入力フォームの標準化・必須項目の設定が前提条件となる
人間によるレビュープロセスの確保：AIが生成したシナリオを安全担当者が承認するゲートを設けることで、法令要件との整合性を担保できる

導入ステップ：4フェーズで現場実装する

フェーズ1：事故データ収集基盤の整備（0〜3か月）

最初の壁は「報告文化の醸成」だ。中国・東南アジアのサプライヤー工場でも典型的に見られる問題として、軽微な事故・ヒヤリハットは「上に言ったら叱られる」「目標値を下げられる」という理由で隠蔽される傾向がある。このフェーズでは、報告することへのインセンティブ設計（報告件数が多い部門を評価する制度）と、スマートフォンから30秒で入力できるフォームの整備に集中する。

フェーズ2：データクレンジングとリスク分析（3〜6か月）

蓄積されたデータをJNIOSHのCSVデータ形式に準拠したフォーマットで整理する。業種・事故の型・起因物・被災者年齢・経験期間・休業日数を構造化データとして記録することで、アソシエーション分析や機械学習モデルの訓練が可能になる。^[4] 外部の業界ベンチマークとして厚生労働省の「職場のあんぜんサイト」DBと照合することで、自社の相対的なリスク水準を把握できる。^[3]

フェーズ3：動画自動生成パイプラインの構築（6〜9か月）

リスクパターンをシナリオに変換し、ナレーション生成・図解作成・動画アセンブリまでを自動化するパイプラインを構築する。この段階で産総研の品質マネジメントガイドラインを参照しつつ、出力コンテンツの自動品質チェック（禁止用語検出・法令用語整合性確認）を実装する。^[6]

フェーズ4：学習効果測定と継続改善（9か月〜）

教育実施後の事故・ヒヤリハット発生率の変化、習熟度クイズのスコア推移、視聴完了率をKPIとして定期的にレポートする。経営層・バイヤーへの報告材料として整備することで、安全教育投資の継続的な予算確保と、取引先からの信頼獲得が同時に達成できる。

調達現場で押さえるポイント

フェーズ4で見落とされがちなのが「教育内容の鮮度管理」だ。設備が更新されたり、作業フローが変わったりすると、3か月前に生成した動画は既に「古い現場」を描写していることになる。リスク学習AIの真の強みは、データが更新されるたびにコンテンツも更新できる「自己刷新性」にある。担当者が手動でビデオを作り直す必要がなくなる点が、長期的な導入効果として最も大きい。

安全教育動画×VR：次のフロンティア

厚生労働省はすでに労働災害の疑似体験VR教材を政策的に推進しており、各地でVR教材体験会を開催している。^[10] 生成AIによる動画自動生成と、VRによる没入型体験の組み合わせは、安全教育の次世代形態として注目される。現時点では製造業大手での先行事例が多いが、生成AIのコスト低下により、中小規模のサプライヤー工場への展開も現実的な射程内に入ってきた。

調達購買の観点から言えば、「サプライヤーがVR安全教育を導入しているか」は近い将来、サプライヤー選定のチェック項目になりうる。今から基盤となるデータ収集とAI分析の仕組みを整えたサプライヤーが、その波に乗れる準備を持てる。

まとめ：「データで動く安全管理」が製造業の標準になる

令和6年の死傷者数が4年連続増加という数字が示すように、安全教育の「やったふり」は通用しなくなっている。^[1] 第14次労働災害防止計画がDXを安全衛生の柱として明記した以上、^[7] 製造業が競争力を保つためには、感覚と口伝えに頼った安全管理からデータドリブンな仕組みへの移行が避けられない。

現場事故データから自動生成するリスク学習AIは、この移行を実現する最も具体的な手段の一つだ。44万件超の公的労災データというベンチマークと、自社固有の事故台帳を組み合わせれば、「今この現場で最も起きやすい事故」に特化した教育コンテンツを継続的に供給できる。形骸化した安全教育に費やしてきた時間とコストを、本当に機能する安全文化の構築に向け直すことが、バイヤー・サプライヤー双方に求められている。